PROJECT BACKGROUND
烤漆与印刷是涂装产线的两道关键外观工序，过去一直靠人工目检把关。但实际运行下来，这套做法的问题不少：人力紧张、成本持续上涨；判断标准因人而异，漏检率偏高，下游投诉也多。从行业趋势看，AI视觉已经能解决很多传统视觉搞不定的难题，制造企业往自动化方向走也是必然。综合这些因素，涂装产线决定引入CCD视觉检测设备。
项目挑战
烤漆面和印刷字符要检的缺陷种类多、形态差异大，从微小杂质到明显划伤都要覆盖，给检测方案带来不少现实难度。
- 烤漆面常见缺陷：溢墨、粘墨、薄墨、缺失、针孔、异色、抹花、划伤、脏污；
- 印刷字符类问题：字体偏细、字体偏粗、特殊字符缺角；
- 易与正常纹理混淆的微小干扰：杂质、毛丝、亮印。
另外，单一区域视野较大，不同检测区之间存在位置偏移，直接对大图做整体检测效果不理想。怎么划分子区域、怎么配置算法，才能同时保证覆盖率和稳定性，是这个项目要解决的核心问题。
解决方案
团队给出的思路是"分区检测 + 传统视觉与深度学习协同"。先把检测范围拆成若干子区域分别建模，再借助视觉工具做精确定位和区域裁剪，避免参数之间互相打架；字符区域先做图像预处理，把细小杂质过滤掉，再交给深度学习工具去学习和判断。
- 区域划分：检测范围拆成多个子区域，各自独立建模、参数独立设置；
- 字符检测：先通过形态特征测量把过粗字体和细小杂质过滤掉，再提取丝印位置进入深度学习环节；
- 图像预处理：对目标区域做规范化处理，保留关键信息、屏蔽无关区域，形成新图像后交给深度学习工具处理；
- 烤漆面以及字符以外的其他区域，仍在原图上直接检测，兼顾效率。
各工位与子区域均独立配置，反复调试下来，检测效果在灵敏度与稳定性之间取得了较优的平衡。
项目成果
在新产品试产评估中跑了一轮，结果比较理想，核心指标都在预期范围内。
- 系统共判定264PCS，其中228PCS判定为良品、36PCS判定为不良品；
- 对228PCS良品做人工复判，全部确认为良品，漏检率为0%；
- 对36PCS不良品复判后，17PCS确认不良，误判率为7.2%；
- 剩余误判主要落在微小杂质和毛丝上，后续通过持续学习还有优化空间；
- 本次评估已覆盖核心检测项，方案整体具备产线部署的稳定性基础。